Analyse de la variance à deux facteurs
|
|
- Nathalie Gravel
- il y a 8 ans
- Total affichages :
Transcription
1 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement
2 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre sur la décomposition de la masse d une litière constituée de feuilles de Lierre. Pour ce faire, 24 sachets d une masse identique de feuilles de lierre ont été constitués, sachets permettant une décomposition naturelle. Puis une première série de 8 sachets, choisis au hasard, a été déposée sous un chêne, une deuxième sous un peuplier, et la dernière série sous un frêne. Après 2, 7, 10 et 16 semaines respectivement, deux sachets sont prélevés au hasard sous chaque arbre et la masse résiduelle est déterminée pour chacun d eux. Cette masse est exprimée en pourcentage de la masse initiale.
3 Les données Les valeurs observées sont données dans le tableau suivant : Semaine Chêne Peuplier Frêne 2 85, 10 85, 20 84, 30 87, 60 84, 90 85, , 90 73, 00 72, 80 72, 85 75, 70 70, , 60 74, 15 67, 10 66, 95 71, 85 64, , 10 67, 25 58, 75 64, 30 60, 25 59, 00
4 Les écritures Nous pouvons écrire ce tableau sous forme standard, qui est celle utilisée dans la plupart des logiciels et en particulier avec le logiciel R, c est-à-dire avec trois colonnes, une pour la semaine, une pour l espèce et une pour la masse, et 24 lignes, une pour chaque sachet.
5 Les données Sachet Semaine Arbre Masse 1 2 Chêne 85, Chêne 87, Peuplier 85, Peuplier 84, Frêne 84, Frêne 85, Chêne 75, Chêne 72, 85
6 Les données Sachet Semaine Arbre Masse 9 7 Peuplier 73, Peuplier 75, Frêne 72, Frêne 70, Chêne 71, Chêne 66, Peuplier 74, Peuplier 71, 85
7 Les données Sachet Semaine Arbre Masse Frêne 67, Frêne 64, Chêne 62, Chêne 64, Peuplier 67, Peuplier 60, Frêne 58, Frêne 59, 00
8 Le but Nous nous proposons d utiliser l analyse de la variance à deux facteurs. Nous observons trois variables : 1 deux d entre elles sont des variables contrôlées, l arbre, qualitative à trois modalités, et la semaine qui peut être considérée comme qualitative à quatre modalités. 2 La troisième variable est une réponse quantitative. Donc l analyse de la variance à deux facteurs (semaine et espèce d arbre) croisés, avec interaction, peut convenir, entre autres méthodes d analyse de ces données.
9 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Le contexte Dans l étude des effets simultanés d un facteur à I modalités et d un facteur à J modalités sur une variable quantitative Y, supposons que Y suive des lois normales, a priori différentes dans les IJ populations disjointes déterminées par la conjonction de deux modalités des facteurs étudiés. Supposons que, dans la population correspondant à la modalité d ordre i du premier facteur et à la modalité d ordre j du deuxième facteur, nous ayons : L(Y ijk ) = N (µ ij ; σ 2 ), pour tout i = 1,..., I, j = 1,..., J et k = 1..., K.
10 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance L idée Pour mettre en évidence les éventuelles différences entre le comportement de la variable Y dans les I modalités du premier facteur, dans les J modalités du deuxième facteur, ou encore dans l interaction entre les deux facteurs, nous considérons des échantillons indépendants de même taille K de la variable Y dans chacune des IJ populations, soit au total un n-échantillon avec n = I J K.
11 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Le modèle statistique Pour la variable d ordre k de la population d indice (i, j), notée Y ijk, nous posons : Y ijk = µ + α i + β j + (αβ) ij + E ijk, pour tout i = 1,..., I, j = 1,..., J et k = 1,..., K, avec, pour éviter une surparamétrisation, les contraintes I α i = i=1 J β j = j=1 I (αβ) ij0 = i=1 J (αβ) i0 j = 0, j=1 pour i 0 = 1,..., I et j 0 = 1,..., J.
12 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les trois hypothèses du modèle Les variables erreurs E ijk sont supposées indépendantes et suivre une loi normale N (0; σ 2 ). Leurs réalisations, notées ê ijk, sont considérées comme les erreurs de mesure, elles sont inconnues et vérifient : y ijk = µ ij + ê ijk, pour i = 1,..., I, j = 1,..., J, k = 1,..., K.
13 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les trois tests L analyse de la variance à deux facteurs avec répétitions permet trois tests de Fisher. Le premier test Nous testons : l effet du premier facteur F α : Nous testons l égalité des I paramètres α i correspondant aux I modalités du premier facteur (H 0 ) : les I paramètres α i sont tous nuls contre (H 1 ) : les I paramètres α i ne sont pas tous nuls.
14 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Le deuxième test Nous testons : l effet du deuxième facteur F β. Il consiste à tester l égalité des J paramètres β j correspondant aux J modalités du deuxième facteur (H 0 ) : les J paramètres β j sont tous nuls contre (H 1 ) : les J paramètres β j ne sont pas tous nuls.
15 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Le troisième test Nous testons : l effet de l interaction entre les deux facteurs F α et F β. Il consiste à comparer (H 0 ) : les IJ paramètres (αβ) ij sont tous nuls contre (H 1 ) : les IJ paramètres (αβ) ij ne sont pas tous nuls.
16 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Notations Nous posons Y ij = 1 K k Y = 1 Y ijk, n Y ijk, Y i = 1 JK i,j,k j,k Y ijk, Y j = 1 IK Y ijk. i,k
17 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Notations SC T = i,j,k (Y ijk Y ) 2, SC R = i,j,k (Y ijk Y ij ) 2, SC α = i,j,k (Y i Y ) 2, SC β = i,j,k (Y j Y ) 2, SC αβ = i,j,k (Y ij Y i Y j + Y ) 2.
18 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance L équation de l anova L équation de l analyse de la variance devient pour ce modèle : SC Tot = SC R + SC α + SC β + SC αβ. où la somme SC Tot, la somme totale, mesure la somme des carrés des écarts à la moyenne globale, toutes causes confondues,
19 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance L équation de l anova - Suite la somme SC R, la somme résiduelle, cumule les carrés des écarts des différentes observations à la moyenne de l échantillon dont elles font partie. Dans la somme totale elle représente la part de la dispersion due aux fluctuations individuelles.
20 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance L équation de l anova - Suite la somme SC α, la somme due au premier facteur, ou somme entre modalités du facteur F α, mesure l effet du premier facteur. la somme SC β, ou somme due au deuxième facteur, ou somme entre modalités du facteur F β, mesure l effet du deuxième facteur. la somme SC αβ mesure l effet de l interaction entre les deux facteurs.
21 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Propriété Sous les différentes hypothèses nulles (H 0 ) d égalité des paramètres de la décomposition des µ ij, nous pouvons préciser les lois respectives des variables précédentes. Elles suivent des lois du χ 2 : ( ) ( ) 1 1 L H0 σ 2 SC Tot = χ 2 n 1, L H0 σ 2 SC R = χ 2 n IJ, ( ) ( ) 1 1 L H0 σ 2 SC α = χ 2 I 1, L H0 σ 2 SC β = χ 2 J 1, ( ) 1 L H0 σ 2 SC αβ = χ 2 (I 1)(J 1).
22 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Suite de la propriété De plus, les variables SC R et SC α, SC R et SC β, SC R et SC αβ sont indépendantes, de sorte que : SC α L H0 I 1 SC R = F (I 1),IJ(K 1), IJ(K 1) L H0 SC β J 1 SC R IJ(K 1) = F (J 1),IJ(K 1),
23 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Fin de la propriété L H0 SC αβ (I 1)(J 1) SC R IJ(K 1) = F (I 1)(J 1),IJ(K 1).
24 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les tests Les tests sont réalisés à l aide des valeurs numériques suivantes : y = 1 IJK y i = 1 JK y ijk, i,j,k j,k y ij = 1 K y ijk, k y ijk, y j = 1 IK y ijk. i,k
25 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les tests - Suite SC Tot = I J (y ijk y) 2 = i,j,k SC R = (y ijk y ij ) 2 = i,j,k K yijk 2 i=1 j=1 k=1 I J K IJK y 2, K I yijk 2 i=1 j=1 k=1 i=1 j=1 SC α = I (y i y) 2 = JK y 2 i IJK y 2, i,j,k i=1 J y 2 ij,
26 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les tests - Fin SC β = J (y j y) 2 = IK y 2 j IJK y 2, i,j,k j=1 SC αβ = (y ij y i y j + y) 2 i,j,k = K I J y 2 ij JK i=1 j=1 I y 2 i IK i=1 J y 2 j + IJK y 2. j=1
27 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Décision Pour un seuil α(= 5% = 0, 05 en général), les tables de la loi de Fisher notée F nous fournissent pour chacun des trois tests une valeur critique c telle que P H0 (F < c) = 1 α. Alors nous décidons : { si Fobs < c (H 0 ) est vraie, si c F obs (H 1 ) est vraie.
28 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Les résultats des calculs sont généralement présentés sous la forme d un tableau.
29 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Tableau de l ANOVA Variation SC ddl s 2 F obs F c Due au facteur α SC α I 1 s 2 α Due au facteur β SC β J 1 s 2 β Interaction SC αβ (I 1)(J 1) s 2 αβ Résiduelle SC R IJ(K 1) sr 2 Totale SC Tot n 1 sα 2 sr 2 sβ 2 sr 2 sαβ 2 sr 2 c c c
30 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Exemple Pour l exemple précédent, en utilisant R, le tableau de l analyse de la variance s écrit : Sum Sq Df F P Semaine e 09 Arbre Interaction Résiduelle Totale
31 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Conclusion Supposons provisoirement que les conditions du modèle d anova à 2 facteurs avec répétitions soient vérifiées, nous pouvons 1 décider d accepter H 1. Il y a effet du premier facteur. 2 décider d accepter H 1. Il y a effet du deuxième facteur. 3 décider d accepter H 0. Il n y a pas d effet de l interaction entre les deux facteurs.
32 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Remarque S il y avait eu un effet de l interaction alors pour préciser le type d interaction mis en évidence par le test, nous pourrions comparer les moyennes y ij pour les différentes valeurs de i et j. Graphiquement, nous porterons en abscisse les valeurs de i (les I modalités). Pour chaque valeur de j nous relierons les valeurs de y ij portées en ordonnées. L aspect du faisceau des lignes brisées, variant ou non dans le même sens, s interprétera facilement. À titre d exemple, nous allons donner ces graphiques bien qu il n y ait pas d effet d interaction.
33 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Graphique des interactions FIG.: Représentation graphique des interactions
34 Le modèle Les tests Les statistiques Les formules de calculs Le tableau de l analyse de la variance Graphique des interactions FIG.: Représentation graphique des interactions
35 Vérification des conditions Pour ce modèle, l estimation des moyennes théoriques µ ij se fait par les moyennes observées y ij («valeurs ajustées»). Les résidus sont alors donnés par l expression : ê ijk = y ijk y ij, i = 1,..., I; j = 1,..., J; k = 1,..., K. Leur normalité et l homogénéité des variances se vérifient par les mêmes méthodes que pour une analyse de la variance à un facteur.
36 Vérification des conditions sur l exemple Commençons par tester la normalité des résidus. > shapiro.test(residus) Shapiro-Wilk normality test data : residus W = , p-value = «L hypothèse de normalité des résidus est acceptée (p-value=0.8187)».
37 Vérification des conditions sur l exemple - Suite et fin Nous allons maintenant chercher à tester l homogénéité des variances. Malheureusement, dans le cas qui nous intéresse, nous ne pouvons pas tester l homogénéité des populations parce qu il n y a que deux observations pour chacune d elles et la puissance d un tel test serait très faible. Nous verrons dans le dernier paragraphe, comment nous pouvons parer à cet inconvénient. La solution que nous proposerons n est pas aussi performante que si nous testions l homogénéité mais elle sera un bon indicateur pour savoir si cette condition est vérifiée.
38 Comparaisons multiples Lorsque l effet d un facteur a été mis en évidence, le test de Tukey ou celui de Dunnett s applique chaque fois que le nombre d observations le permet, à l aide de la même statistique. Les effectifs n i et n i sont alors ceux des classes comparées.
39 Comparaisons multiples sur l exemple Nous allons réaliser les comparaisons multiples pour le facteur «Semaine» avec R. Semaine diff lwr upr p adj
40 Comparaisons multiples sur l exemple Facteur 1 : Semaine. Nous obtenons les classes d égalité suivantes : Modalités Moyennes Classes du facteur observées d égalité S A S B S C S D
41 Comparaisons multiples sur l exemple Nous allons réaliser les comparaisons multiples pour le facteur «Arbre» avec R. Arbre diff lwr upr p adj
42 Exemple Facteur 2 : Arbre. Nous obtenons les classes d égalité suivantes : Modalités Moyennes Classes du facteur observées d égalité Chêne A Peuplier B Frêne C
43 Modèle et sommes des carrés Étude complète d un exemple L idée générale Dans le cas où nous étudions l effet simultané de deux facteurs à, respectivement, I et J modalités et que nous disposons d une seule observation pour chaque population, c est à dire K = 1, les résultats du paragraphe précédent ne sont plus valables. Nous devons supposer que l interaction entre les deux facteurs est nulle. Partant du même modèle, nous écrivons plus simplement : Y ij = µ + α i + β j + E ij avec les contraintes I α i = i=1 J β j = 0. j=1
44 Modèle et sommes des carrés Étude complète d un exemple Notations Nous avons les notations analogues : y = 1 IJ y ij, i,j y i = 1 y ij, J j y j = 1 I y ij, i SC Tot = i,j (y ij y) 2 = i,j y 2 ij IJy 2, SC R = i,j (y ij y i y j + y) 2,
45 Modèle et sommes des carrés Étude complète d un exemple Notations SC α = i,j (y i y) 2 = J i y 2 i IJy 2, SC β = i,j (y j y) 2 = I j y 2 j IJy 2.
46 Modèle et sommes des carrés Étude complète d un exemple Remarque importante Remarquons que l expression définissant, dans le cas avec répétitions, la somme des carrés associée à l interaction, est associée ici à la somme des carrés de la résiduelle.
47 Modèle et sommes des carrés Étude complète d un exemple Tableau de l ANOVA Nous avons alors le tableau de l analyse de la variance suivant : Variation SC ddl F obs F c Due au facteur α SC α I 1 Due au facteur β SC β J 1 Résiduelle SC R (I 1)(J 1) Totale sc T IJ 1 sα 2 sr 2 sβ 2 sr 2 c c
48 Modèle et sommes des carrés Étude complète d un exemple L idée générale La démarche est alors analogue à celle de l analyse de la variance à deux facteurs avec répétitions. Notons que dans ce cas les valeurs ajustées sont données par et les résidus par l expression : µ ij = y i + y j y ê ij = y ij y i y j + y, i = 1,..., I; j = 1,..., J.
49 Modèle et sommes des carrés Étude complète d un exemple Exemple L influence d un traitement grossissant, à base de vitamines, est étudiée sur des animaux de races différentes. Pour cela nous disposons d animaux de trois races, notées R i, pour i = 1, 2, 3, et nous avons effectué trois traitements, notés D j, pour j = 1, 2, 3, utilisant respectivement 5, 10 et 15µg de vitamines B12 par cm 3. Le gain moyen de poids par jour est mesuré, à l issue d un traitement de 50 jours dans chaque cas. Un seul animal est utilisé pour chaque couple «race-traitement».
50 Modèle et sommes des carrés Étude complète d un exemple Les données Voici les résultats des mesures : R 1 R 2 R 3 D 1 1, 26 1, 21 1, 19 D 2 1, 29 1, 23 1, 23 D 3 1, 38 1, 27 1, 22
51 Modèle et sommes des carrés Étude complète d un exemple L objectif Nous nous proposons d effectuer une analyse de la variance à deux facteurs sans répétition, il y a en effet une seule observation par «case». Les facteurs, contrôlés, à effets fixes, sont la race et la dose, tous les deux à 3 modalités. La réponse est le gain moyen de poids.
52 Modèle et sommes des carrés Étude complète d un exemple Les données Cet ensemble de données doit être saisi, dans un logiciel sous la forme d un tableau empilé : Race Dose Gain R 1 D 1 1, 26 R 1 D 2 1, 29 R 1 D 3 1, 38 R 2 D 1 1, 21 R 2 D 2 1, 23 R 2 D 3 1, 27 R 3 D 1 1, 19 R 3 D 2 1, 23 R 3 D 3 1, 22
53 Modèle et sommes des carrés Étude complète d un exemple Les hypothèses Nous testons les hypothèses : H0 R : contre H R 1 : les races n ont pas d effet, les races ont un effet et H0 D : contre H1 D : les doses n ont pas d effet, les doses ont un effet.
54 Modèle et sommes des carrés Étude complète d un exemple Le tableau de l anova Voici le tableau de l analyse de la variance construit par R : Sum Sq Df Mean Sq F P Race Dose Res
55 Modèle et sommes des carrés Étude complète d un exemple Les résultats Nous décidons : 1 H R 1 2 H D 0 est vraie, il y a un effet des races (p = ) est vraie, il n y a pas d effet des doses sur le gain de poids (p = ).
56 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Nous vérifions à présent les conditions d application de l analyse de la variance. Indépendance des données : Ok! Normalité des résidus : > shapiro.test(residus) Shapiro-Wilk normality test data : residus W = , p-value = Nous décidons que l hypothèse de normalité est vérifiée. Nous décidons que la normalité de l erreur théorique est acceptée.
57 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Il nous reste plus qu à vérifier l égalité des variances des résidus ou encore appelé l homogénéité des variances. Remarquons tout d abord que nous ne pouvons pas tester l égalité des variances : en effet nous n avons qu une observation par «case». Cependant, à titre indicatif, nous pouvons tester : l égalité des variances des gains selon les races, H 0 : contre H 1 : les variances des races sont égales, les variances des races ne sont pas égales.
58 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Le test de Bartlett donne : > bartlett.test(residus Race,data=exemple2) Bartlett test of homogeneity of variances data : residus by Race Bartlett s K-squared = , df = 2, p-value = Nous décidons donc que l hypothèse d homogénéité est vérifiée. Nous décidons que les variances théoriques des gains des trois races sont égales.
59 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Nous pouvons tester aussi : l égalité des variances des gains des doses, H 0 : contre H 1 : les variances des doses sont égales, les variances des doses ne sont pas égales.
60 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Le test de Bartlett donne : > bartlett.test(residus Dose,data=exemple2) Bartlett test of homogeneity of variances data : residus by Dose Bartlett s K-squared = , df = 2, p-value = Nous décidons donc que l hypothèse d homogénéité est vérifiée. Nous décidons que les variances théoriques des gains des trois doses sont égales.
61 Modèle et sommes des carrés Étude complète d un exemple Vérification des hypothèses Cependant ces deux résultats ne nous garantissent pas l égalité des 9 variances théoriques mais sont de bons indicateurs pour l homoscédasticité.
62 Modèle et sommes des carrés Étude complète d un exemple Comparaisons multiples Comme nous avons décidé que H1 R est vraie, il y a un effet de la race, nous allons procéder à des comparaisons multiples pour analyser comment les races sont différentes par rapport au gains de poids. Pour ce faire nous utilisons le test de Tukey au seuil de α = 5% = 0, 05.
63 Modèle et sommes des carrés Étude complète d un exemple Script de R et sorties de R > TukeyHSD(model1) Tukey multiple comparisons of means 95% family-wise confidence level Fit : aov(formula = Gain Race + Dose, data = exemple2) Race diff lwr upr p adj
64 Modèle et sommes des carrés Étude complète d un exemple Résumé des résultats Nous pouvons résumer ces résultats par le tableau : Modalités du facteur R 1 R 2 R 3 Classes d égalité A B C
65 Modèle et sommes des carrés Étude complète d un exemple Conclusions Nous montrons ainsi que la première race est différente des deux autres, dont le gain de poids est similaire. Comme nous avons décidé H0 D est vraie, il n y a pas d effet de la dose sur le gain de poids, nous allons calculer le risque β a posteriori. Pour cela, nous calculons : Φ = 1, 575. En reportant cette dernière valeur sur le graphique de l abaque correspondant à ν 1 = J 1 = 2 et à ν 2 = (I 1)(J 1) = 4, nous obtenons π 1 = 0, 45 et β = 0, 55. Ce qui signifie, que le non effet de la dose est associé à un risque de l ordre de 0, 55 ce qui est relativement important.
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailEquations cartésiennes d une droite
Equations cartésiennes d une droite I) Vecteur directeur d une droite : 1) Définition Soit (d) une droite du plan. Un vecteur directeur d une droite (d) est un vecteur non nul la même direction que la
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailchapitre 4 Nombres de Catalan
chapitre 4 Nombres de Catalan I Dénitions Dénition 1 La suite de Catalan (C n ) n est la suite dénie par C 0 = 1 et, pour tout n N, C n+1 = C k C n k. Exemple 2 On trouve rapidement C 0 = 1, C 1 = 1, C
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailTSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES
TSTT ACC OUTILS DE GESTION COMMERCIALE FICHE 1 : LES MARGES Coût de revient du produit + Marge du fabricant = Prix de vente HT au distributeur Prix d'achat HT du distributeur + Marge du distributeur =
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailApplication sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailExercices de Statistique HEI 3-2014/2015 A. RIDARD
Exercices de Statistique HEI 3-2014/2015 A. RIDARD 2 Table des matières 1 Loi normale 5 2 Estimation 7 3 Tests statistiques 11 4 Régression linéaire 13 5 Analyse de variance 19 Annales 25 3 4 Chapitre
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailANNUITES. Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. -annuités non constantes
ANNUITES I Notions d annuités a.définition Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. Le processus de versements dépend du montant de l annuité,
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailDate : 18.11.2013 Tangram en carré page
Date : 18.11.2013 Tangram en carré page Titre : Tangram en carré Numéro de la dernière page : 14 Degrés : 1 e 4 e du Collège Durée : 90 minutes Résumé : Le jeu de Tangram (appelé en chinois les sept planches
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailExprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 %
23 CALCUL DE L INTÉRÊT Tau d intérêt Paul et Rémi ont reçu pour Noël, respectivement, 20 et 80. Ils placent cet argent dans une banque, au même tau. Au bout d une année, ce placement leur rapportera une
Plus en détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailDéfinition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3
8 Systèmes de numération INTRODUCTION SYSTÈMES DE NUMÉRATION POSITIONNELS Dans un système positionnel, le nombre de symboles est fixe On représente par un symbole chaque chiffre inférieur à la base, incluant
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailPEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS?
PEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS? Pierre Baumann, Michel Émery Résumé : Comment une propriété évidente visuellement en dimensions deux et trois s étend-elle aux autres dimensions? Voici une
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailMATHÉMATIQUES FINANCIÈRES I
MATHÉMATIQUES FINANCIÈRES I Quinzième cours Détermination des valeurs actuelle et accumulée d une annuité de début de période pour laquelle la période de paiement est plus courte que la période de capitalisation
Plus en détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détail